KI im Unternehmen:
So geht Umsetzung mit Plan

RAG (Retrieval-Augmented Generation) nutzt gezielt interne Unternehmensdaten zur Beantwortung von Fragen. Klassische Chatbots greifen meist nur auf vorab trainiertes (und damit ggf. veraltetes) oder im Internet öffentlich verfügbares Wissen zurück. Der Vorteil: mit RAG lassen sich unternehmensspezifische Antworten geben, deren Wahrheitsgehalt über Quellen belegt wird.

Durch frühzeitige Einbindung der Fachbereiche in Workshops (Phase 1), transparente Kommunikation und durchgängige User Experience. Zudem hilft ein rollenbasiertes Rechtemanagement, Verantwortlichkeiten klar zu definieren und Vertrauen aufzubauen.

Unser SWAN-Framework gliedert sich in drei Phasen:

• Phase 1: Analyse & Usecase-Auswahl (2–4 Wochen)
• Phase 2: Usecase-Ausarbeitung & Konzeption (4–6 Wochen)
• Phase 3: Umsetzung, Integration & Rollout (je nach Komplexität, 1–3 Monate) 

Das Vorgehen ist iterativ und ermöglicht schnelle Quick Wins.

Unsere Lösung, der doubleSlash AI Assistant, unterstützt sowohl Cloud als auch On-Premise-Betrieb. Sensible Daten bleiben im Unternehmen – es erfolgt kein Abfluss zu Drittanbietern. Zugriffsrechte werden granular verwaltet und auditierbar protokolliert. Als Entwickler der Lösung sind wir nach ISO 9001, ISO 27001 und TISAX zertifiziert.

Das System ist modular aufgebaut. Sie können jederzeit das zugrunde liegende LLM austauschen oder weitere Agents entwickeln. Auch bei regulatorischen Änderungen behalten Sie volle Kontrolle – das System ist bewusst nicht vendor-locked.

Die Effizienzsteigerung konnten wir insbesondere bei der Evaluation von Lastenheften bereits über einen längeren Zeitraum evaluieren und konnten hier eine deutliche Zeitersparnis bei gleichzeitiger Kostensenkung erzielen. Vgl. auch: https://www.doubleslash.de/referenzen/ki-basierte-klassifizierung/

Als KI-Anbieter sind wir selbst vom AI Act betroffen und haben hier umfassende Erfahrung. Unter anderem haben wir auch bereits Drittunternehmen in Bezug auf den AI Act geschult.

Hier betrachten wir 2 Dimensionen:

• 1. Effizienzsteigerung: wie viel schneller ist der Prozess? Welche Kosten (bspw. Lizenzkosten eines nicht mehr benötigten Softwaretools oder Dienstleistungskosten für externe Unterstützung) konnten eingespart werden? Da wir den Status Quo im Rahmen des SWAN-Frameworks identifizieren, können wir dies validieren
• 2. User Adoption & Satisfaction: nutzen unsere AnwenderInnen die Lösung? Wie zufrieden sind sie damit und haben sie das Gefühl, dadurch besser und schneller arbeiten zu können? Dies erfolgt idR. über (anonymisierte) Umfragen in regelmäßigen Abständen.

Ja, wir unterstützen sowohl kommerzielle Modelle (z. B. GPT-4o über OpenAI) als auch Open-Source-Modelle wie LLaMA3 via Ollama. Die Auswahl hängt von Datenschutzanforderungen, Hosting-Präferenzen (Cloud vs. On-Prem) und Usecase-Anforderungen ab. Unser Framework ist modular und technologieoffen aufgebaut.

Über sogenannte Content Provider und Action Provider binden wir Ihre vorhandenen Systeme gezielt an. Damit können die AI Agents (bspw. über RAG / Retrieval Augmented Generation) auf aktuelle Inhalte zugreifen und auch Aktionen direkt anstoßen, z. B. die Erstellung eines Tickets oder die Ergänzung einer Wissensdatenbank.

Ideal sind Prozesse mit hohem manuellem Aufwand, klaren Strukturen (auch, was den gewünschten Output und den benötigten Input betrifft) und häufigem Wiederholungsbedarf. In der Praxis hat sich gezeigt, dass Usecases wie interne Wissensda tenbanken, Leistungserfassung im Field-Service und Analyse von Lastenheften schnell messbaren Nutzen bringen.